建筑领域的3D打印技术

阿里·巴格里（Ali Bagheri）和克里斯蒂安·克雷莫纳（Christian Cremona）探索了数字制造的复杂性，并在最近发表的《用于地质聚合物3D打印的混合设计公式：一种机器学习方法》中分享了他们的发现。

Bagheri和Cremona专注于3D打印的建筑材料，评估了机器学习的潜力。通过对地质聚合物样品和不同成分进行试验，研究人员评估了机器学习中的目标变量。他们首先研究了地聚合物粘合剂的抗压强度及其所涉及的元素，包括：

原料特点

铝硅酸盐资源的化学成分

碱性活化剂的配方

活化剂中的碱性离子

活化剂中硅酸盐与氢氧化物的分馏

水与粘合剂的比例

骨料配方

在进行3D打印时，影响因素不断增长，包括：

印刷方式

层分辨率

版画形状

挤出速率

方向

材料的准备和配制

研究人员说：“鉴于无数的自变量，在不使用机器的情况下对印刷的地质聚合物样品的抗压强度进行预测会产生很高的误差。” “例如，人们可以预测分为四类的样本的强度，误差为75％。但是，使用机器学习将大大减少该错误，这在本工作中将进一步看到。”

当前数据为研究人员带来了好处，因为他们能够通过打印变量和更改参数来了解更多信息：

“在上述有效参数中，粉煤灰的含量，高炉矿渣的含量以及碱性溶液中硼离子，硅离子和钠离子的比例最显着。对抗压强度的影响。”研究人员说。

一台小型3D打印机被用来制造用于研究的样品，该打印机由活塞操作的挤出机组成。研究人员使用振动来确保混合物压实，样品尺寸为250x30x30。

在地质聚合物混合物中发现了炉渣，并且还显示出更好的抗压强度。相反，含更多钠的样品显示出降低的抗压强度。

硼增加了钠离子，同时降低了抗压强度-渣含量也有所减少。硅酸盐也是强度发展和交联的关键成分。

最终，Bagheri和Cremona发现了真实的预测值是63％。

“可以用两种有效的方式比较这些预测。首先，可以基于预测规则并包括参数数量来评估模型的简单性。因此，rpart函数非常简单，对于50％的预测只有两个参数，而对于另一半则只有三个参数，”研究人员总结说。

“然而，ctree函数使用了四个因素来进行74％的预测，使用了两个因素来仅进行26％的预测。其次，将每个预测函数的累积准确性用作比较标准。通过将每个类别中的预测数量乘以适当的正预测值，可以得出累积精度因子。

相对于ctree函数的63％，rpart函数的累积精度达到70％，这证明了rpart函数在预测3D打印的硼基地质聚合物样品的抗压强度方面具有相似但略好的性能。此外，分别在ctree和rpart函数创建的决策树中可以看出炉渣百分比和硼离子比例的重要性。

建筑中的3D打印一直受到越来越多的关注，家庭，办公室甚至整个村庄都可以使用各种不同的打印机和材料来构建3D打印。